määrityskerroin joka tunnetaan myös nimellä r2, on tilastoissa käytetty termi, jonka päätehtävänä on ennustaa hypoteesien tulos. Tämä on välttämätöntä kaikissa tutkimuksissa, joissa on tieteellisiä säätiöitä, ja sen sovelluksilla voi olla laaja, valikoima kuten taloustieteessä, markkinatutkimuksessa tai joidenkin onnistumisen määrittämiseksi tuote.
Tästä tunnetusta työkalusta on useita määritelmiä, jotka eivät kaikki ole yhteneviä, joten on On tärkeää tuntea kukin niistä, kuten ne, jotka liittyvät regressioon lineaarinen.
Mainokset
Tästä artikkelista löydät:
Määrityskertoimen määritelmä
Onko hän korrelaation neliö mikä mittaa mitä osaa selitetään tietyssä muunnelmassa osana muunnelmaa, tämä tarkoittaa, mikä niistä voidaan ennustaa toisen vaihtelun avulla.
Kuinka määrityskerroin lasketaan?
Tilastollisten mallien tarkoituksena on testata tai selittää jokin satunnainen muuttuja, tämä tehdään muiden satunnaismuuttujien kautta, jotka tunnetaan tekijöinä. Koska satunnaiseksi katsottu muuttuja voidaan ennustaa sen mittarilla ja että tässä tapauksessa varianssi on sama keskimääräinen neliövirhe, suurin keskimääräinen neliövirhe, joka voidaan hyväksyä, on varianssi.
Mainokset
Tulos voi vaihdella välillä 0 ja 1, tämä tarkoittaa, että mitä lähempänä se on, se mukautuu paremmin muuttujaan, jota yrität testata että päinvastaisessa tapauksessa, toisin sanoen mitä lähempänä se on 0, sitä vähemmän luotettava se on, koska malli.
Kuinka määrityskerroin ilmaistaan?
Täällä voit nähdä murto-osan, jossa osoittaja ilmaistaan seuraavasti:
Mainokset
Tässä voidaan nähdä, että varianssilausekkeessa Y on ympyrän muotoinen, mikä tarkoittaa, että kyseessä on mallin estimaatti, tämä ei ole Y: n todellinen arvo, vaan arvio. Toinen ero tämän varianssin ilmaisun suhteen on, että sitä ei jaeta T: llä, koska nimittäjä ilmaisisi myös sen, sitten molemmat eliminoidaan niin, että tällä tavalla ilmaisu.
Nimittäjän osalta havaitaan, että ainoa havaittavissa oleva ero varianssiin on, että sitä ei jaeta T: llä tai N: llä
Mainokset
Määrityskertoimen sovellukset
Tällä kaavalla on monia apuohjelmia, esimerkiksi jos yritetään kokeilla jalkapalloilijan pisteiden määrää tai koripallo suhteessa hänen pelaamiinsa peleihin, olettaen, että mitä enemmän pelejä, sitä enemmän pisteitä tulee merkitty. Otetaan huomioon 8 peliä.
Kaavio näyttää kaltevan viivan, jolla on positiivinen suhde, koska odotetusti mitä enemmän pelejä pelattiin, sitä enemmän pisteitä oli kommentoitu, tämä kaavio näyttää nollan yläpuolella olevan tuloksen, mikä, kuten aiemmin mainitsimme, osoittaisi, että se on mukautettu muuttujaan todellinen.
Mainokset
Miksi asennettu R-neliö syntyy?
Mitä tapahtuu R-neliö ja syy, miksi oikaistu R-neliö annetaan, liittyy siihen, että se ei ranka sisällyttämistä merkityksettömiin selittäviin muuttujiin, tämä tarkoittaa että jos malliin lisätään esimerkiksi 5 selittävää muuttujaa, joilla ei ole paljon suhdetta kyseisen pelaajan tekemiin pisteisiin, R-neliö on suurempi tai kasvaa.
R neliö asennettu
Se on toimenpide, joka määrittää regressiovarianssilla selitetyn prosenttimäärän suhteessa selitetyn muuttujan varianssiin. Voit nähdä, että se on sama kuin R-neliössä, mutta sillä pienellä erolla, että se rankaisee muuttujien sisällyttämistä.
R-neliö kasvaa aina, vaikka mainittuun malliin sisältyvät muuttujat eivät ole oikeastaan merkityksellisiä. Tämän ongelman ratkaisemiseksi käytetään seuraavaa:
Tässä yhtälössä N: ää kutsutaan otoskokoksi ja K vastaa selittäviä muuttujia. Matemaattisen vähennyksen näkökulmasta k: n yläpuolella olevilla arvoilla säädetty R-neliö on kauempana tavallisesta R-neliöstä.
Määrityskertoimen muut toiminnot
Paitsi että on hyödyllistä selittää tai pikemminkin mitata mallin selityskapasiteettia, se sallii samalla valita, mikä useista malleista on sopivin. Tämä tarkoittaa, että malleissa on samat riippuvat muuttujat ja sama määrä suhteessa muuttujat, jotka tunnetaan selittävinä, sopivin on se, jonka kerroin on suurempi kuin päättäväisyys.
Tämä voi selvästi vaihdella valitun mallin mukaan, koska se ei ole sama esimerkiksi sisäkkäisen mallin tapauksessa. Tärkein tekijä tässä kertoimessa on sen kyky ennustaa mallien tai teorioiden tehokkuus. ehdotuksia, tätä ei voida soveltaa pelkästään numeroihin, vaan on tärkeää tietää, ovatko ennusteet hyviä vai huonoja.
